爬蟲初識

来源:https://www.cnblogs.com/Golanguage/archive/2020/03/08/12445009.html
-Advertisement-
Play Games

爬蟲 什麼是爬蟲? 通過編寫代碼，模擬瀏覽器發送請求，讓其去網路上抓去數據的過程。 爬蟲分類？ 通用爬蟲 抓取整張網頁的全部內容 聚焦爬蟲 抓去一張頁面的部分內容 通用爬蟲和聚焦爬蟲的關聯： 聚焦是建立在通用爬蟲的基礎上 增量式 監測網站數據的更新情況，以便將最新的數據進行爬取。 reqeusts基 ...


爬蟲

什麼是爬蟲?

通過編寫代碼，模擬瀏覽器發送請求，讓其去網路上抓去數據的過程。

爬蟲分類？

  • 通用爬蟲

    • 抓取整張網頁的全部內容

  • 聚焦爬蟲

    • 抓去一張頁面的部分內容

    通用爬蟲和聚焦爬蟲的關聯：

    • 聚焦是建立在通用爬蟲的基礎上

  • 增量式

    • 監測網站數據的更新情況，以便將最新的數據進行爬取。

reqeusts基本介紹

  • 作用：實現爬蟲，模擬瀏覽器上網。
  • 編碼流程：
    • 指定url地址(指定要爬取的網站地址)
    • 發起請求
    • 獲取響應的數據
    • 持久化儲存
  • 環境安裝： pip install requests

反爬之UA偽裝

  • 什麼是UA？
  • 請求載體的身份標識
  • UA查找路徑：打開瀏覽器，搜索一個網頁→Ctrl+Shift+c→Network→選擇網址對飲的name→Headers→User-Agent（把後面的值複製）
  • 常用瀏覽器請求頭UA
1) Chrome
Win7:
Mozilla/5.0 (Windows NT 6.1; WOW64) AppleWebKit/535.1 (KHTML, like Gecko) Chrome/14.0.835.163 Safari/535.1

win10 64
Mozilla/5.0 (Windows NT 10.0; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/79.0.3945.130 Safari/537.36

2) Firefox
Win7:
Mozilla/5.0 (Windows NT 6.1; WOW64; rv:6.0) Gecko/20100101 Firefox/6.0
 
3) Safari
Win7:
Mozilla/5.0 (Windows NT 6.1; WOW64) AppleWebKit/534.50 (KHTML, like Gecko) Version/5.1 Safari/534.50

4) Opera
Win7:
Opera/9.80 (Windows NT 6.1; U; zh-cn) Presto/2.9.168 Version/11.50
 
5) IE
Win7+ie9：
Mozilla/5.0 (compatible; MSIE 9.0; Windows NT 6.1; Win64; x64; Trident/5.0; .NET CLR 2.0.50727; SLCC2; .NET CLR 3.5.30729; .NET CLR 3.0.30729; Media Center PC 6.0; InfoPath.3; .NET4.0C; Tablet PC 2.0; .NET4.0E)
 
Win7+ie8：
Mozilla/4.0 (compatible; MSIE 8.0; Windows NT 6.1; WOW64; Trident/4.0; SLCC2; .NET CLR 2.0.50727; .NET CLR 3.5.30729; .NET CLR 3.0.30729; Media Center PC 6.0; .NET4.0C; InfoPath.3)
 
WinXP+ie8：
Mozilla/4.0 (compatible; MSIE 8.0; Windows NT 5.1; Trident/4.0; GTB7.0)
 
WinXP+ie7：
Mozilla/4.0 (compatible; MSIE 7.0; Windows NT 5.1)
 
WinXP+ie6：
Mozilla/4.0 (compatible; MSIE 6.0; Windows NT 5.1; SV1)
 
6) 傲游
傲游3.1.7在Win7+ie9,高速模式:
Mozilla/5.0 (Windows; U; Windows NT 6.1; ) AppleWebKit/534.12 (KHTML, like Gecko) Maxthon/3.0 Safari/534.12
 
傲游3.1.7在Win7+ie9,IE內核相容模式:
Mozilla/4.0 (compatible; MSIE 7.0; Windows NT 6.1; WOW64; Trident/5.0; SLCC2; .NET CLR 2.0.50727; .NET CLR 3.5.30729; .NET CLR 3.0.30729; Media Center PC 6.0; InfoPath.3; .NET4.0C; .NET4.0E)
 
7) 搜狗
搜狗3.0在Win7+ie9,IE內核相容模式:
Mozilla/4.0 (compatible; MSIE 7.0; Windows NT 6.1; WOW64; Trident/5.0; SLCC2; .NET CLR 2.0.50727; .NET CLR 3.5.30729; .NET CLR 3.0.30729; Media Center PC 6.0; InfoPath.3; .NET4.0C; .NET4.0E; SE 2.X MetaSr 1.0)
 
搜狗3.0在Win7+ie9,高速模式:
Mozilla/5.0 (Windows; U; Windows NT 6.1; en-US) AppleWebKit/534.3 (KHTML, like Gecko) Chrome/6.0.472.33 Safari/534.3 SE 2.X MetaSr 1.0
 
8) 360
360瀏覽器3.0在Win7+ie9:
Mozilla/5.0 (compatible; MSIE 9.0; Windows NT 6.1; WOW64; Trident/5.0; SLCC2; .NET CLR 2.0.50727; .NET CLR 3.5.30729; .NET CLR 3.0.30729; Media Center PC 6.0; InfoPath.3; .NET4.0C; .NET4.0E)
 
9) QQ瀏覽器
QQ瀏覽器6.9(11079)在Win7+ie9,極速模式:
Mozilla/5.0 (Windows NT 6.1) AppleWebKit/535.1 (KHTML, like Gecko) Chrome/13.0.782.41 Safari/535.1 QQBrowser/6.9.11079.201
 
QQ瀏覽器6.9(11079)在Win7+ie9,IE內核相容模式:
Mozilla/4.0 (compatible; MSIE 7.0; Windows NT 6.1; WOW64; Trident/5.0; SLCC2; .NET CLR 2.0.50727; .NET CLR 3.5.30729; .NET CLR 3.0.30729; Media Center PC 6.0; InfoPath.3; .NET4.0C; .NET4.0E) QQBrowser/6.9.11079.201
 
10) 阿雲瀏覽器
阿雲瀏覽器1.3.0.1724 Beta(編譯日期2011-12-05)在Win7+ie9:
Mozilla/5.0 (compatible; MSIE 9.0; Windows NT 6.1; WOW64; Trident/5.0)
"""
搜狗首頁的源碼數據爬取
    需要UA偽裝
"""
import requests

inp = input('搜索：')
params = {
    # url攜帶的請求參數
    'query': inp,
}
# UA偽裝，請求頭信息
headers = {
    'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/79.0.3945.130 Safari/537.36'
}
# 指定url（網址）
url = f'https://www.sogou.com/web'

# get發起請求，攜帶請求參數，返回的是一個響應對象
    # url 網址，params 參數動態化，headers UA偽裝
response = requests.get(url=url, params=params, headers=headers)
response.encoding = 'utf-8'     # 手動修改編碼格式指定utf8，處理亂碼問題
# 獲取響應數據   .test
page_text = response.text
fileName = inp + '.html'
# 持久化存儲
with open(fileName, 'w', encoding='utf-8') as f:
    f.write(page_text)
    print('ok')

反爬之動態載入

  • 需求：爬取豆瓣電影中愛情類型中的詳情數據

    • 動態載入的數據：通過另一個請求單獨請求到的數據
    • 如何檢測爬取的數據是否為動態載入的數據？
      • 基於抓包工具進行局部搜索
        • 抓包工具獲取到的所有數據包，然後找到瀏覽器地址欄url對應的數據包，response這個選項卡中進行局部搜索（搜到或者搜不到）
          • 搜不到：數據為動態載入
            • 全局搜索Ctrl+F，搜索想要的數據
          • 能搜到：數據不是動態載入
            • 直接對瀏覽器地址欄的url發起請求獲取數據即可
  • 代碼實現單頁爬取
import requests

# UA偽裝，請求頭信息
headers = {
    'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/79.0.3945.130 Safari/537.36'
}
# 請求攜帶的參數
params = {
    'type': '15',
    'interval_id': '100:90',
    'action': '',
    'start': '0',
    'limit': '20',
}
# 請求的網址
url = "https://movie.douban.com/j/chart/top_list?"

# 發起請求  url網址   headers請求頭  params請求攜帶的參數
res = requests.get(url=url,params=params,headers=headers)
data_list = res.json() # 返回的是序列化的列表
for i in data_list:
    title = i["title"]
    types = i["types"]
    print(title,types)
import requests

url = "http://www.kfc.com.cn/kfccda/ashx/GetStoreList.ashx?op=keyword"
city = input("city name ： ")
headers = {
        'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/78.0.3904.108 Safari/537.36'
}
# 全站信息爬取
for i in range(1,111):
    # 獲取餐廳地址所需要的動態參數，鍵值對，值為str
    data = {
        'cname': '',
        'pid': '',
        'keyword': city,    # 數據的搜索地址
        'pageIndex': str(i),    # 數據的頁碼數
        'pageSize': '10',   # 每一頁的數據量
    }
    
# headers請求頭   data參數動態化
    pos_list = requests.post(url=url,headers=headers,data=data).json()["Table1"]    # 返回一個響應對象  .json()返回了一個序列化好的字典對象  ['Table1']獲取Key所對應的value值
    
    for i in pos_list:
        s = i["addressDetail"]
        print(s)

requests中，get和post的區別就是參數一個是params，一個是data。

  • 需求：所有企業的詳情數據

    • 網址：http://125.35.6.84:81/xk/
    • 分析
      • 每一家企業所對應的詳情數據是動態載入的
      • 通過抓包工具進行了全局搜索，定位到了動態載入數據對贏得數據包
        • 提取url：每家企業對應的url都一樣
        • 請求方式：都一樣
        • 請求參數：都為ID，但是參數值不同
          • ID為每家企業的唯一標識
          • 捕獲到每家企業的唯一標識id，可以完成需求
    • 對企業ID的捕獲
      • 在首頁中進行分析，使用抓包工具進行了企業名稱的全局搜索，定位到的數據包的數據中就包含了企業名稱和對應的id值
  • 代碼實現全站爬取
import requests

headers = {
        'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/78.0.3904.108 Safari/537.36'
}

url = "http://125.35.6.84:81/xk/itownet/portalAction.do?method=getXkzsList"

# 將企業ID存放到列表中
list_1 = []
# 爬取全棧（目前只爬取9頁，爬多了之後會被限制）
for a in range(1,10):
    data = {
        'on': 'true',
        'page': str(a),
        'pageSize': '15',
        'productName': '',
        'conditionType': '1',
        'applyname': '',
        'applysn': '',
    }
    ret_dic = requests.post(url=url,data=data,headers=headers).json()['list']   # .json()返回一個字典類型的對象   ['list']取字典中list對應的值
    # 捕獲企業ID
    for i in ret_dic:
        _id = i['ID']
        list_1.append(_id)

detail_url = "http://125.35.6.84:81/xk/itownet/portalAction.do?method=getXkzsById"

for i in list_1:
    data = {
        'id': i
    }
    com_data = requests.post(url=detail_url,headers=headers,data=data).json()
    legalPerson = com_data["legalPerson"]
    epsName = com_data["epsName"]
    print(legalPerson,epsName)
    # 測試了一遍，只爬取了50頁，就限制了

總結

  • requests的基本使用
    • 編碼流程
      • 指定url
      • 發起請求
      • 獲取響應數據
      • 持久化存儲
    • 搜狗首頁數據爬取 ==> 流程
    • 參數動態化
    • UA偽裝
    • 修改響應數據的編碼格式
      • get/post返回值 .encoding=“編碼格式”
    • get/post：
      • url
      • headers
      • params/data
    • 動態載入的數據
      • 通過非地址欄url所對應的地址請求到的數據
      • 如何檢測數據為動態載入
        • 基於抓包工具進行局部搜索
    • 全站數據的爬取
      • 簡單來說就是一個for迴圈，控制頁碼數

您的分享是我們最大的動力!

-Advertisement-
Play Games
更多相關文章
  • java 選擇排序
    如果元素已經在該在的位置上就不需要再交換位置了。 public static void main(String[] args) { int[] arr = {1,3,5,7,9,2,4,6,8,0}; sort(arr); } public static void sort(int[] arr){ ...
  • JVM—GC垃圾回收器總結
    本文主要介紹了JVM—GC垃圾回收器，並對其進行了總結。主要包含了Serial收集器、ParNew收集器、Parallel Scavenge收集器、Servial Old收集器、Parallel Old收集器、CMS收集器、G1收集器。 ...
  • 關於Socket伺服器與客戶端雙向通信時碰到的一個坑
    學習Socket時， 想實現一個讀寫分離，能夠實時接收和發送消息的socket，卻一直發送消息出去卻不能列印出來。 客戶端發送消息出去後。 客戶端卻不能列印出消息，客戶端也不能列印出消息。 一直冥思苦想，一直到不到問題所在。 直到 發現 PrintWriter將 write 方法 改為 printl ...
  • 基於SSM開發餐飲業點餐系統java源碼
    基於SSM開發餐飲業點餐系統 開發環境: Windows操作系統開發工具： MyEclipse+Jdk+Tomcat+MySql資料庫運行效果圖 @ResponseBody @RequestMapping(value = "/checkUsername") public String checkUs ...
  • Java—System類和Runtime類
    本文主要介紹Java—System類和Runtime類的概念及使用。 ...
  • java面對對象入門(8)-介面vs抽象類區別
    1.Java中的抽象類 用最簡單的話來說， 一個抽象類就是使用keyword聲明為abstract的 。它可能包含也可能不包含任何抽象方法。JVM將抽象類標識為 不完整類 ， 該類 尚未定義其完整行為。聲明一個類 僅強制執行一件事：您不能創建此類的實例，僅此而已。那麼，為什麼還要費心創建一個根本無法 ...
  • Java基礎篇(01)：基本數據類型，核心點整理
    本文源碼： "GitHub·點這裡" || "GitEE·點這裡" 一、基本類型 1、基本類型 不使用New創建，聲明一個非引用傳遞的變數，且變數的值直接置於堆棧中，大小不隨運行環境變化，效率更高。使用new創建的引用對象存儲在堆中。 2、基本信息 基本類型包括如下幾種：byte、short、int ...
  • SpringBoot圖文教程12—SpringData Jpa的基本使用
    有天上飛的概念，就要有落地的實現 概念十遍不如代碼一遍，朋友，希望你把文中所有的代碼案例都敲一遍 先贊後看，養成習慣 SpringBoot 圖文教程系列文章目錄 1. "SpringBoot圖文教程1「概念+案例 思維導圖」「基礎篇上」" 2. "SpringBoot圖文教程2—日誌的使用「logb ...
一周排行
    -Advertisement-
    Play Games
  • 移動開發（一）：使用.NET MAUI開發第一個安卓APP
    移動開發（一）：使用.NET MAUI開發第一個安卓APP 對於工作多年的C#程式員來說，近來想嘗試開發一款安卓APP，考慮了很久最終選擇使用.NET MAUI這個微軟官方的框架來嘗試體驗開發安卓APP，畢竟是使用Visual Studio開發工具，使用起來也比較的順手，結合微軟官方的教程進行了安卓 ...
  • wpf ToggleButton選中效果和一個登錄界面
    前言 QuestPDF 是一個開源 .NET 庫，用於生成 PDF 文檔。使用了C# Fluent API方式可簡化開發、減少錯誤並提高工作效率。利用它可以輕鬆生成 PDF 報告、發票、導出文件等。 項目介紹 QuestPDF 是一個革命性的開源 .NET 庫，它徹底改變了我們生成 PDF 文檔的方 ...
  • 彈幕樹洞項目功能新增篇
    項目地址 項目後端地址： https://github.com/ZyPLJ/ZYTteeHole 項目前端頁面地址： ZyPLJ/TreeHoleVue (github.com) https://github.com/ZyPLJ/TreeHoleVue 目前項目測試訪問地址： http://tree ...
  • 第27篇 sqlserver2022詳細安裝步驟
    話不多說，直接開乾 一.下載 1.官方鏈接下載： https://www.microsoft.com/zh-cn/sql-server/sql-server-downloads 2.在下載目錄中找到下麵這個小的安裝包 SQL2022-SSEI-Dev.exe，運行開始下載SQL server； 二. ...
  • .NET 開源高性能 MQTT 類庫
    前言 隨著物聯網（IoT）技術的迅猛發展，MQTT（消息隊列遙測傳輸）協議憑藉其輕量級和高效性，已成為眾多物聯網應用的首選通信標準。 MQTTnet 作為一個高性能的 .NET 開源庫，為 .NET 平臺上的 MQTT 客戶端與伺服器開發提供了強大的支持。 本文將全面介紹 MQTTnet 的核心功能 ...
  • Serilog文檔翻譯系列（六） - 可用的接收器、增強器、格式化輸出
    Serilog支持多種接收器用於日誌存儲，增強器用於添加屬性，LogContext管理動態屬性，支持多種輸出格式包括純文本、JSON及ExpressionTemplate。還提供了自定義格式化選項，適用於不同需求。 ...
  • 警惕 Visual Studio 屬性求值副作用導致邏輯不符合預期
    目錄簡介獲取 HTML 文檔解析 HTML 文檔測試參考文章 簡介 動態內容網站使用 JavaScript 腳本動態檢索和渲染數據，爬取信息時需要模擬瀏覽器行為，否則獲取到的源碼基本是空的。 本文使用的爬取步驟如下： 使用 Selenium 獲取渲染後的 HTML 文檔 使用 HtmlAgility ...
  • [使用目前最新版]HybridCLR6.9.0+YooAsset2.2.4實現純C# Unity熱更新方案 (一)
    1.前言 什麼是熱更新 游戲或者軟體更新時，無需重新下載客戶端進行安裝，而是在應用程式啟動的情況下，在內部進行資源或者代碼更新 Unity目前常用熱更新解決方案 HybridCLR，Xlua，ILRuntime等 Unity目前常用資源管理解決方案 AssetBundles，Addressable， ...
  • 在 ASP.NET Core Web API 中使用操作篩選器統一處理通用操作
    本文章主要是在C# ASP.NET Core Web API框架實現向手機發送驗證碼簡訊功能。這裡我選擇是一個互億無線簡訊驗證碼平臺，其實像阿裡雲，騰訊雲上面也可以。 首先我們先去 互億無線 https://www.ihuyi.com/api/sms.html 去註冊一個賬號 註冊完成賬號後，它會送 ...
  • 第28篇 如何.net中實現高效可靠數據同步api
    通過以下方式可以高效，並保證數據同步的可靠性 1.API設計 使用RESTful設計，確保API端點明確，並使用適當的HTTP方法（如POST用於創建，PUT用於更新）。 設計清晰的請求和響應模型，以確保客戶端能夠理解預期格式。 2.數據驗證 在伺服器端進行嚴格的數據驗證，確保接收到的數據符合預期格 ...
所有分類